La distribución beta Gompertz modificada: teoría y aplicaciones
Autores: Elbatal, Ibrahim; Jamal, Farrukh; Chesneau, Christophe; Elgarhy, Mohammed; Alrajhi, Sharifah
Idioma: Inglés
Editor: MDPI
Año: 2018
Acceso abierto
Artículo científico
2018
La distribución beta Gompertz modificada: teoría y aplicaciones
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Introducir
Distribución beta modificada de Gompertz
Parámetros
Aspectos matemáticos
Prácticos
Modelado
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 66
Citaciones: Sin citaciones
En este documento, presentamos una nueva distribución de probabilidad continua con cinco parámetros llamada distribución Gompertz beta modificada. Se deriva del generador beta modificado propuesto por Nadarajah, Teimouri y Shih (2014) y la distribución Gompertz. Al investigar sus aspectos matemáticos y prácticos, demostramos que es bastante flexible y se puede utilizar de manera efectiva en la modelización de una amplia variedad de fenómenos reales. Entre otros, proporcionamos expansiones útiles de funciones cruciales, función cuantil, momentos, momentos incompletos, función generadora de momentos, entropías y estadísticas de orden. Exploramos la estimación de los parámetros del modelo mediante el método de máxima verosimilitud obtenido. También presentamos un estudio de simulación que prueba la validez de los estimadores de máxima verosimilitud. Finalmente, ilustramos la flexibilidad de la distribución mediante la consideración de dos conjuntos de datos reales.
Descripción
En este documento, presentamos una nueva distribución de probabilidad continua con cinco parámetros llamada distribución Gompertz beta modificada. Se deriva del generador beta modificado propuesto por Nadarajah, Teimouri y Shih (2014) y la distribución Gompertz. Al investigar sus aspectos matemáticos y prácticos, demostramos que es bastante flexible y se puede utilizar de manera efectiva en la modelización de una amplia variedad de fenómenos reales. Entre otros, proporcionamos expansiones útiles de funciones cruciales, función cuantil, momentos, momentos incompletos, función generadora de momentos, entropías y estadísticas de orden. Exploramos la estimación de los parámetros del modelo mediante el método de máxima verosimilitud obtenido. También presentamos un estudio de simulación que prueba la validez de los estimadores de máxima verosimilitud. Finalmente, ilustramos la flexibilidad de la distribución mediante la consideración de dos conjuntos de datos reales.